BP网络参数优化及其在轧制压力预报中的应用

利用最优化算法对ＢＰ算法中的学习速率（η）和动量因子（α）进行了优化选取，利用优化的ＢＰ网络对冷轧机轧制压力进行了预报，结果良好。

用改进的遗传神经网络预报冷连轧轧机的轧制压力

为了充分利用BP神经网络的函数逼近能力并克服其易陷入局部极值点的主要缺陷 ,提出了利用遗传算法 (GA)和BP算法联合进行网络权值优化调整的思想 ,并把改进的遗传算法 (MGA)和BP网络有机结合 ,建立了MGA—BP网络系统。该网络系统具有遗传算法性能参数优选、网络结构参数优选、网络性能参数优选以及GA—BP算法联合进行网络权值修改几种功能。利用MGA—BP网络进行了带钢冷连轧机轧制压力预报 ,结果良好。

基于小波神经网络的轧制压力高精度预报模型

由于传统的轧制压力计算模型结构简单,即使采用自适应技术,也难以适应不断提高的精度要求。为了提高精轧机组轧制压力预设定精度,采用小波神经网络方法对轧制压力进行预报,利用引入动量项的最速下降法训练网络权值、尺度因子和平移因子。经离线仿真证明,该小波神经网络该方法的预报精度优于同等规模的BP网络,预报结果的相对误差基本限制在5%以内。且其训练方法具有收敛速度快的特点,具有很好的在线应用前景。